正则表达式

 

简单表达式

最简单的正则表达式大家都已熟悉，即文字字符串。特定的字符串可通过文字本身加以描述；像 foo 这样的正则表达式模式可精确匹配输入的字符串 foo。在本例中，也将匹配如下输入：The foo d was quite tasty，如果希望精确匹配，这可能不是预期结果。

当然，使用正则表达式匹配等于它自身的精确字符串是没有价值的实现，不能体现正则表达式的真正作用。假如不查找 foo，而是查找以字母 f 开头的所有单词，或所有 3 个字母的单词，那该怎么办？目前，这超出了文字字符串的合理范围。我们需要更加深入地研究正则表达式。下面是一个文字表达式示例及一些匹配的输入。

模式	输入（匹配）
foo	foo、food、foot、“There's evil afoot.”

 

限定符

限定符提供了一种简单方法，用于指定在模式中允许特定字符或字符集自身重复出现的次数。有 3 个非显式限定符：

1. *，描述“出现 0 或多次”。

2. +，描述“出现 1 或多次”。

3. ?，描述“出现 0 或 1 次”。

限定符始终引用限定符前（左边）的模式，通常是单个字符，除非使用括号创建模式组。下面是一些模式示例及匹配的输入。

模式	输入（匹配）
fo*	foo、foe、food、fooot、“forget it”、funny、 puffy
fo+	foo、foe、food、foot、“forget it”
fo?	foo、foe、food、foot、“forget it”、funny、puffy

除了指定给定模式准确出现 0 或 1 次之外，? 字符还可强制模式或子模式匹配数目最少的字符（如果匹配输入字符串中的多个字符）。

除了非显式限定符（一般叫做限定符，但为区别于下一组，故称非显式限定符）之外，还有显式限定符。在模式出现次数方面，限定符的概念非常模糊。使用显式限定符则可准确指定数字、范围或数字集。显式限定符位于所应用的模式的后边，这一点与正则限定符一样。显式限定符使用花括号 {} 及其中的数字值表示模式出现次数的上下限。例如，x{5} 将准确匹配 5 个 x 字符 (xxxxx)。如果仅指定一个数字，则表示次数上限；如果数字后跟一个逗号，如 x{5,}，表示匹配任何出现次数大于 4 的 x 字符。下面是一些模式示例及匹配的输入。

模式	输入（匹配）
ab{2}c	abbc、aaabbccc
ab{,2}c	ac、abc、abbc、aabbcc
ab{2,3}c	abbc、abbbc、aabbcc、aabbbcc

 

元字符

在正则表达式中，有一种意义特殊的构造，即元字符。目前已知的元字符有很多，如 *、?、+ 和 {} 字符。其他字符在正则表达式语言中都有特殊的含义。这些字符包括：$ ^ . [ ( | ) ] 和 \。

.（句点或点）元字符是最简单但最常用的一个字符。它可匹配任何单字符。如果要指定某些模式可包含任意组合的字符，使用句点非常有用，但一定要在特定长度范围内。此外，我们知道表达式将对包含在较长字符串中的所有模式进行匹配，假如只需要精确匹配模式，又该怎么办？这在验证方案中经常出现，例如，要确保用户输入的邮政编码或电话号码的格式正确。使用 ^ 元字符可指定字符串（或行）的开始，使用 $ 元字符可指定字符串（或行）的结束。通过将这些字符添加到模式的开始和结束处，可强制模式仅匹配精确匹配的输入字符串。如果 ^ 元字符用在方括号 [ ] 指定的字符类的开头，也有特殊的含义。具体内容见下。

\ （反斜杠）元字符既可根据特殊含义“转义”字符，也可指定预定义集合元字符的实例。同样，具体内容见下。为了在正则表达式中包括文字样式的元字符，必须使用反斜杠进行“转义”。例如，如果要匹配以“c:\”开始的字符串，可使用：^c:\\。注意，要使用 ^ 元字符指出字符串必须以此模式作为开始，然后用反斜杠元字符转义文字反斜杠。

|（管道）元字符用于交替指定，特别用于在模式中指定“此或彼”。例如，a|b 将匹配包含“a”或“b”的任何输入内容，这与字符类 [ab] 非常类似。

最后，括号 ( ) 用于给模式分组。它允许使用限定符让一个完整模式出现多次。为了便于阅读，或分开匹配特定的输入部分，可能允许分析或重新设置格式。

下面列出元字符的一些使用示例。

模式	输入（匹配）
.	a、b、c、1、2、3
.*	Abc, 123, 任意字符串, 无字符时也匹配
^c:\\	c:\windows、c:\\\\\、c:\foo.txt、c:\ 后跟任何其他内容
abc$	abc、123abc、以 abc 结束的任意字符串
(abc){2,3}	abcabc、abcabcabc

返回页首

字符类

字符类是正则表达式中的“迷你”语言，在方括号 [ ] 中定义。最简单的字符类只不过是括号中的一个字符表，如 [aeiou]。在表达式中使用字符类时，可在模式的此位置使用其中任何一个字符（但只能使用一个字符，除非使用了限定符）。请注意，不能使用字符类定义单词或模式，只能定义单个字符。

要指定任何数值数字，可以使用字符类 [0123456789]。但是，由于这样使用字符不大方便，所以要通过在括号中使用连字符 - 来定义字符的范围。连字符在字符类中有特殊的含义（不是在正则表达式中，因此，准确地说它不能叫正则表达式元字符），且仅在连字符不是第一个字符时，连字符才在字符类中有特殊含义。要使用连字符指定任何数值数字，可以使用 [0-9]。小写字母也一样，可以使用 [a-z]，大写字母可以使用 [A-Z]。连字符定义的范围取决于使用的字符集。因此，字符在（例如）ASCII 或 Unicode 表中出现的顺序确定了在范围中包括的字符。如果需要在范围中包括连字符，将它指定为第一个字符。例如：[-.?] 将匹配 4 个字符中任何一个字符（注意，最后的字符是个空格）。另请注意，正则表达式元字符在字符类中不做特殊处理，所以这些元字符不需要转义。考虑到字符类是与其他正则表达式语言分开的一种语言，因此字符类有自己的规则和语法。

如果使用字符 ^ 作为字符类的第一个字符来否定此类，也可以匹配字符类成员以外的任何字符。因此，要匹配任何非元音字符，可以使用字符类 [^aAeEiIoOuU]。注意，如果要否定连字符，应将连字符作为字符类的第二个字符，如 [^-]。记住，^ 在字符类中的作用与它在正则表达式模式中的作用完全不同。

下面列出操作中使用的一些字符类。

模式	输入（匹配）
^b[aeiou]t$	Bat、bet、bit、bot、but
^[0-9]{5}$	11111, 12345, 99999
^c:\\	c:\windows、c:\\\\\、c:\foo.txt、c:\ 后跟任何其他内容
abc$	abc、123abc、以 abc 结束的任意字符串
(abc){2,3}	abcabc、abcabcabc
^[^-][0-9]$	0、1、2、... （不匹配 -0、-1、 -2 等）

在 .NET Framework 的下一版中，代码名“Whidbey”作为一种新功能被添加到字符类中，称作字符类差 (character class subtraction)。它的主要作用是，允许从一个字符类中减去另一个字符类，可提供更可读的方式描述某些模式。该规范可通过以下地址访问：http://www.gotdotnet.com/team/clr/bcl/TechArticles/techarticles/Specs/Regex/CharacterClassSubtraction.doc。它的语法类似 [a-z-[aeiou]]，匹配所有的小写辅音字母。

预定义的集合元字符

使用目前提供的工具可以完成很多工作。但是，要使用 [0-9] 表示模式中的每个数值数字，或（更糟）使用 [0 -9a -zA-Z]表示任何字母数字字符，还有一段相当漫长的过程。为了减轻处理这些常用但冗长模式的痛苦，事先定义了预定义元字符集合。正则表达式的不同实现定义了不同的预定义元字符集合，下面描述的预定义元字符集合在 .NET Framework 中得到 System.Text.RegularExpressions API 的支持。这些预定义元字符的标准语法是，在反斜杠 \ 后跟一个或多个字符。多数预定义元字符只有一个字符，它们的使用很容易，是冗长字符类的理想替代字符。以下是两个示例：\d 匹配所有数值数字，\w 匹配所有单词字符（字母数字加下划线）。例外情况是一些特定字符代码匹配，此时必须指定所匹配字符的地址，如 \u000D 将匹配 Unicode 回车符。下面列出一些最常用的字符类及其等效的元字符。

元字符	等效字符类
\a	匹配铃声（警报）；\u0007
\b	匹配字符类外的字边界，它匹配退格字符，\u0008
\t	匹配制表符，\u0009
\r	匹配回车符，\u000D
\w	匹配垂直制表符，\u000B
\f	匹配换页符，\u000C
\n	匹配新行，\u000A
\e	匹配转义符，\u001B
\040	匹配 3 位 8 进制 ASCII 字符。\040 表示空格（十进制数 32）。
\x20	使用 2 位 16 进制数匹配 ASCII 字符。此例中，\x2- 表示空格。
\cC	匹配 ASCII 控制字符，此例中是 ctrl-C。
\u0020	使用 4 位 16 进制数匹配 Unicode 字符。此例中 \u0020 是空格。
\*	不代表预定义字符类的任意字符都只作为该字符本身对待。因此，\* 等同于 \x 2A（是文字 *，不是 * 元字符）。
\p{name}	匹配已命名字符类“name”中的任意字符。支持名称是 Unicode 组和块范围。例如，Ll、Nd、Z、IsGreek、IsBoxDrawing 和 Sc（货币）。
\p{name}	匹配已命名字符类“name”中不包括的文本。
\w	匹配任意单词字符。对于非 Unicode 和 ECMAScript 实现，这等同于 [a-zA-Z_0-9]。在 Unicode 类别中，这等同于 [\p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Nd}\p{Pc}]。
\W	\w 的否定，等效于 ECMAScript 兼容集合 [^a-zA-Z_0-9] 或 Unicode 字符类别 [^\p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Nd}\p{Pc}]。
\s	匹配任意空白区域字符。等效于 Unicode 字符类 [\f\n\r\t\v\x85\p{Z}]。如果使用 ECMAScript 选项指定 ECMAScript 兼容方式，\s 等效于 [ \f\n\r\t\v] （请注意前导空格）。
\S	匹配任意非空白区域字符。等效于 Unicode 字符类别 [^\f\n\r\t\v\x85\p{Z}]。如果使用 ECMAScript 选项指定 ECMAScript 兼容方式，\S 等效于 [^ \f\n\r\t\v] （请注意 ^ 后的空格）。
\d	匹配任意十进制数字。在 ECMAScript 方式下，等效于 Unicode 的 [\p{Nd}]、非 Unicode 的 [0-9]。
\D	匹配任意非十进制数字。在 ECMAScript 方式下，等效于 Unicode 的 [\p{Nd}]、非 Unicode 的 [^0-9]。

 

表达式示例

很多人都喜欢通过示例学习，下面即提供一些表达式示例。要获取更多示例，请访问以下地址中的正则表达式联机数据库：http://www.regexlib.com/。

模式	说明
^\d{5}$	5 个数值数字，如美国邮政编码。
^(\d{5})|(\d{5}-\d{4}$	5 个数值数字或 5 个数字-短划线-4 个数字。匹配 5 位数字格式的美国邮政编码，或 5 位数字 + 4 位数字格式的美国邮政编码。
^(\d{5}(-\d{4})?$	与前一个相同，但更有效。使用 ? 可使模式中的 4 位数字成为可选部分，而不是要求分别比较不同的两个模式（通过另一种方式）。
^[+-]?\d+(\.\d+)?$	匹配任意有可选符号的实数。
^[+-]?\d*\.?\d*$	与上一个相同，但也匹配空字符串。
^(20|21|22|23|[01]\d)[0-5]\d$	匹配 24 小时制时间值。
/\*.*\*/	匹配 C 语言风格的注释 /* ... */

 

ASP.NET 中的验证

ASP.NET 提供了一套验证控件，与使用旧的（或愿意的话使用传统的） ASP 处理任务相比，验证控件使在 Web 窗体上验证输入变得非常容易。其中一个非常有效的验证器是 RegularExpressionValidator，如您所料，它允许您提供必须匹配输入的正则表达式来验证输入。设置控件的 ValidationExpression 属性可指定正则表达式的模式。下面显示了验证邮政代码字段的验证程序：

<asp:RegularExpressionValidator runat="server" id="ZipCodeValidator" 
ControlToValidate="ZipCodeTextBox" ErrorMessage="Invalid ZIP code 
format; format should be either 12345 or 12345-6789."  
ValidationExpression="(\d{5}(-\d{4})?" />

使用 RegularExpressionValidator 要注意几个问题：

• 决不要使用验证程序要验证的控件中的空字符串来激活验证器。只有 RequiredFieldValidator 才可以捕获空字符串。

• 您无需指定匹配字符的开始与结尾（^ 和$）- 它们是事先假设的。如果添加了开始与结尾，也没有任何影响，不需要这样做。

• 对于所有验证控件来说，必须在客户端以及服务器端进行验证。如果正则表达式不是 ECMAScript 兼容方式，客户端验证将失败。为了避免这种情况，确保表达式是 ECMAScript 兼容方式，否则只在服务器端进行控件验证。

正则表达式 API

除了 ASP.NET 验证控件，在.NET 中使用正则表达式的大多数情况都要使用 System.Text.RegularExpressions 命名空间中发现的类。特别是那些您希望熟悉的主类 Regex、Match 和 MatchCollection。

顺便说一下，正则表达式缩写样式 regex 的发音究竟是 /reg-eks/ 还是 /rej-eks/，还有一些争议。本人倾向于后者，但两种发音都有专家赞同，所以选择哪个发音由您自己决定。

Regex 类有大量的方法和属性，如果您以前没有用过它，可能会感到无所适从。下面汇总了一些最常用的方法：

方法	说明
Escape / Unescape	字符串中的转义元字符，用作表达式中的文字。
IsMatch	如果正则表达式在输入字符串中发现匹配，返回“Ture”。
Match	如果在输入字符串中发现匹配，则返回匹配对象。
Matches	如果在输入字符串中发现包含任何或全部匹配，则返回匹配集合对象。
Replace	用给定的替换字符串替换输入字符串中的匹配。
Split	将输入字符串拆分成用正则表达式匹配分开的数组元素时，返回数组字符串。

除了指定很多方法外，还有一些选项可以指定，通常在 Regex 对象构造函数中。由于这些选项是位屏蔽的一部分，或许可以同时指定这些选项（如，可以同时指定 Multiline 和 Singleline）。

方法	说明
Compiled	当在循环中执行许多匹配操作时使用此选项。这可以节省每一循环的分析表达式步骤。
Multiline	它与输入字符串中的行数没有关系。确切地说，它只修改 ^ 和 $ 的方式，以便匹配行开始 (BOL) 和行结尾 (EOL)，而不是匹配整个输入字符串的开始和结尾。
IgnoreCase	使模式在匹配搜索字符串时忽略大小写。
IgnorePatternWhitespace	允许根据需要在模式中包括任意数量的空白区域，也支持使用 (?# 注释 #) 语法在模式中加入注释。
SingleLine	它与输入字符串中的行数没有关系。更确切地说，它将导致 .（句点）元字符匹配任意字符，而不是除 \n 之外的任意字符（默认情况）。

使用正则表达式常执行的操作包括：验证、匹配和替换。大多数情况下，可以使用 Regex 类的静态方法完成这些操作，不需要实例化 Regex 类本身。要执行验证，全部要做的就是必建或找到正确的表达式，然后使用 Regex 类的 IsMatch() 方法将表达式应用到输入字符串中。例如，下面的函数演示了如何使用正则表达式验证邮政编码：

private void ValidateZipButton_Click(object sender, System.EventArgs e)
{
   String ZipRegex = @"^\d{5}$";
   if(Regex.IsMatch(ZipTextBox.Text, ZipRegex))
   {
      ResultLabel.Text = "ZIP is valid!";
   }
   else
   {
      ResultLabel.Text = "ZIP is invalid!";
   }
}

类似的，可以使用静态 Replace() 方法将匹配替换为特定字符串，如下所示：

String newText = Regex.Replace(inputString, pattern, replacementText);

最后，可以使用如下代码遍历输入字符串的匹配集合：

private void MatchButton_Click(object sender, System.EventArgs e)
{
   MatchCollection matches = Regex.Matches(SearchStringTextBox.Text, 
MatchExpressionTextBox.Text);
   MatchCountLabel.Text = matches.Count.ToString();
   MatchesLabel.Text = "";
   foreach(Match match in matches)
   {
      MatchesLabel.Text += "Found" + match.ToString() + " at 
position " + match.Index + ".<br>";
   }
}

通常，在您需要指定默认方式以外的方式时，需要实例化 Regex 类的实例。特别是在设置选项时。例如，要创建忽略大小写和模式空白区域的 Regex 实例，然后检索与该表达式匹配的集合，则应使用如下代码：

Regex re = new Regex(pattern, 
   RegexOptions.IgnoreCase | RegexOptions.IgnorePatternWhitespace);
MatchCollection mc = re.Matches(inputString);